論文の概要: Exploiting Rich Syntax for Better Knowledge Base Question Answering

• arxiv url: http://arxiv.org/abs/2107.07940v1
• Date: Fri, 16 Jul 2021 14:59:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-19 14:41:53.525013
• Title: Exploiting Rich Syntax for Better Knowledge Base Question Answering
• Title（参考訳）: 知識ベース質問応答にリッチ構文を活用する
• Authors: Pengju Zhang, Yonghui Jia, Muhua Zhu, Wenliang Chen, Min Zhang
• Abstract要約: 本稿では,知識ベース質問回答のための構文ベース表現の学習手法を提案する。 まず、キーワード間の最も短い依存性パスを考慮し、パスベースの構文をエンコードする。 そこで我々は,木をベースとした構文を得るために,構文木全体の情報をモデレートするための2つの符号化手法を提案する。
• 参考スコア（独自算出の注目度）: 13.890818931081405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies on Knowledge Base Question Answering (KBQA) have shown great progress on this task via better question understanding. Previous works for encoding questions mainly focus on the word sequences, but seldom consider the information from syntactic trees.In this paper, we propose an approach to learn syntax-based representations for KBQA. First, we encode path-based syntax by considering the shortest dependency paths between keywords. Then, we propose two encoding strategies to mode the information of whole syntactic trees to obtain tree-based syntax. Finally, we combine both path-based and tree-based syntax representations for KBQA. We conduct extensive experiments on a widely used benchmark dataset and the experimental results show that our syntax-aware systems can make full use of syntax information in different settings and achieve state-of-the-art performance of KBQA.
• Abstract（参考訳）: 知識ベース質問回答(KBQA)に関する最近の研究は、より優れた質問理解を通じて、この課題に大きな進歩を見せている。 質問をエンコーディングする以前の研究は,主に単語列に焦点を当てているが,構文木からの情報をほとんど考慮しない。 まず、キーワード間の最も短い依存性パスを考慮し、パスベースの構文をエンコードする。 そこで本研究では,構文木全体の情報をモデム化し,木ベースの構文を得るための2つの符号化戦略を提案する。 最後に、kbqaのパスベースとツリーベースの構文表現を組み合わせる。 我々は,広く使用されているベンチマークデータセットの広範な実験を行い,構文認識システムを用いて,構文情報を異なる設定でフル活用し,KBQAの最先端性能を達成できることを実験的に示す。

関連論文リスト

• ChatKBQA: A Generate-then-Retrieve Framework for Knowledge Base Question Answering with Fine-tuned Large Language Models [19.85526116658481]
  本稿では,新規かつ簡易な生成検索KBQAフレームワークであるChatKBQAを紹介する。 実験の結果,ChatKBQAは標準KBQAデータセット上で新たな最先端性能を実現することがわかった。 この研究は、LLMと知識グラフを組み合わせるための新しいパラダイムとして、解釈可能および知識要求型質問応答のパラダイムと見なすこともできる。
  論文  参考訳（メタデータ） (2023-10-13T09:45:14Z)
• Syntax Tree Constrained Graph Network for Visual Question Answering [14.059645822205718]
  Visual Question Answering (VQA)は、与えられた画像コンテンツに関連する自然言語の質問に自動的に答えることを目的としている。 本稿では、エンティティメッセージパッシングと構文木に基づくVQAのための新しい構文木制約グラフネットワーク(STCGN)を提案する。 次に、フレーズ認識型視覚エンティティのためのメッセージパッシング機構を設計し、与えられた視覚コンテキストに応じてエンティティ特徴をキャプチャする。
  論文  参考訳（メタデータ） (2023-09-17T07:03:54Z)
• Semantic Parsing for Conversational Question Answering over Knowledge Graphs [63.939700311269156]
  本研究では,ユーザの質問にSparqlパースとアノテートし,システム回答が実行結果に対応するデータセットを開発する。 本稿では,2つの意味解析手法を提案し,その課題を強調した。 私たちのデータセットとモデルはhttps://github.com/Edinburgh/SPICE.orgで公開されています。
  論文  参考訳（メタデータ） (2023-01-28T14:45:11Z)
• BigText-QA: Question Answering over a Large-Scale Hybrid Knowledge Graph [23.739432128095107]
  BigText-QAは構造化知識グラフに基づいて質問に答えることができる。 その結果,BigText-QAはニューラルネットワークベースのQAシステムであるDrQAよりも優れており,グラフベースの教師なしQAシステムであるQUESTと競合する結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T09:49:02Z)
• Uni-Parser: Unified Semantic Parser for Question Answering on Knowledge Base and Database [86.03294330305097]
  知識ベース(KB)とデータベース(DB)の両方で質問応答(QA)を統一した意味的要素を提案する。 フレームワークに不可欠な要素としてプリミティブ(KBのリレーションとエンティティ、テーブル名、列名、DBのセル値)を導入します。 生成元を利用して、異なる操作でトップランクプリミティブを変更・構成することで、最終的な論理形式を予測する。
  論文  参考訳（メタデータ） (2022-11-09T19:33:27Z)
• Knowledge Base Question Answering: A Semantic Parsing Perspective [15.1388686976988]
  知識ベース(KBQA)に対する質問応答の研究は、比較的ゆっくりと進んでいる。 KBQAには,スキーマレベルの複雑性とファクトレベルの複雑性という,2つのユニークな課題があります。 我々は、セマンティックパーシングの文献から、まだ多くのインスピレーションを得ることができると論じている。
  論文  参考訳（メタデータ） (2022-09-12T02:56:29Z)
• Incorporating Constituent Syntax for Coreference Resolution [50.71868417008133]
  本稿では,構成構文構造をグラフベースで組み込む手法を提案する。 また、高次近傍情報を利用して構成木に富んだ構造をエンコードすることも検討する。 on the English and Chinese parts of OntoNotes 5.0 benchmark shows that our proposed model beats a strong baseline or a new-of-the-art performance。
  論文  参考訳（メタデータ） (2022-02-22T07:40:42Z)
• SYGMA: System for Generalizable Modular Question Answering OverKnowledge Bases [57.89642289610301]
  SYGMAは、複数の知識ベースと複数のリアソニングタイプにまたがる汎用化を容易にするモジュラーアプローチである。 本システムの有効性を,DBpediaとWikidataの2つの異なる知識ベースに属するデータセットを用いて評価することで実証する。
  論文  参考訳（メタデータ） (2021-09-28T01:57:56Z)
• A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges [71.4531144086568]
  知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。 研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
  論文  参考訳（メタデータ） (2020-07-26T07:13:32Z)
• Differentiable Reasoning over a Virtual Knowledge Base [156.94984221342716]
  コーパスを仮想知識ベース(KB)として,複雑なマルチホップ質問に答えるタスクについて検討する。 特に、コーパス内のエンティティの参照間の関係の経路をソフトに追従し、KBのようにテキストデータをトラバースするDrKITについて述べる。 DrKITは非常に効率的で、既存のマルチホップシステムよりも毎秒10-100倍のクエリを処理する。
  論文  参考訳（メタデータ） (2020-02-25T03:13:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。